论文标题：MFCN-DDI: Capsule network based on multimodal feature for multitype drug-drug interaction prediction

期刊：Quantitative Biology

作者：Jiayi Lu, Yingying Jiang, Yuhan Fu, Mengdi Nan, Qing Ren, Jie Gao

发表时间：28 Oct 2025

DOI：10.1002/qub2.70021

微信链接：点击此处阅读微信文章

在现代医学体系中，药物治疗始终是疾病防治的重要手段，尤其是在复杂疾病的治疗过程中，联合用药已成为提升疗效、降低耐药性的常见策略。然而，多药联用也显著增加了药物-药物相互作用（DDI）的风险，这类相互作用可能改变药物原有的药理效应，甚至引发不良反应，对患者安全构成威胁。因此，在药物研发和临床应用的早期阶段对潜在DDI进行准确预测显得尤为重要。随着计算方法的发展，基于机器学习与深度学习的DDI类型预测模型逐渐成为研究热点，并在一定程度上提升了预测效率与准确性。尽管如此，现有方法仍存在一定的改进空间：首先，大多数图神经网络在处理分子图时更侧重节点特征，而对边特征的利用相对不足；其次，现有模型往往未能充分挖掘不同类型特征之间的潜在关联；此外，面对日益增长的药物数据，如何有效融合多源信息以进一步提升预测性能，仍是亟待解决的关键问题。因此，探索能够充分整合多维特征并有效建模复杂关系的DDI类型预测方法，对于推动药物安全性评估与精准医疗发展具有重要意义。

近日，江南大学高洁课题组在Quantitative Biology期刊发表了一篇题为“MFCN-DDI: Capsule network based on multimodal feature for multitype drug-drug interaction prediction”的文章，提出了一种基于多模态特征和胶囊网络的DDI类型预测算法MFCN-DDI，通过提取药物多模态特征，并利用胶囊网络实现高效特征融合，精准捕捉不同特征间的复杂关联，从而实现对DDI类型的精确预测。

全文概要

研究团队开发了一种DDI类型预测方法MFCN-DDI，如图1所示。该方法在分子表示学习过程中充分利用药物分子中的边特征，以提升分子图表征能力，并进一步融合知识图谱特征、分子指纹特征以及药理学特征，从多维度表征药物属性。在此基础上，模型引入基于胶囊网络的特征融合模块，能够根据特征相关性与贡献度动态调整信息传递权重，更有效地捕捉不同模态特征之间的复杂关联，推动预测精度提升。为全面验证模型性能，研究团队在多分类和多标签两类预测任务上对MFCN-DDI进行评估，并通过消融实验与案例研究验证了各类特征及关键模块的重要性，以及模型在实际应用中的有效性与适用性。结果表明，MFCN-DDI在提升DDI类型预测准确性方面具有显著优势，可为临床安全用药提供有力支持，并助力优化联合用药方案与保障患者健康。

图1. MFCN-DDI框架图。(A) 多模态特征提取模块：该模块提取药物对的知识图谱特征、分子指纹特征、分子图特征以及药理学特征。(B) 基于胶囊网络的特征融合模块：利用胶囊网络对多模态特征进行融合，以构建药物对的综合特征表示。(C) DDI预测器模块：通过多分类和多标签预测器实现对DDI类型的预测。

一、多任务验证模型性能优势

为全面评估MFCN-DDI的预测能力，研究团队在多分类数据集、多标签数据集以及小规模多分类数据集上开展了性能测试，并与六种基线模型进行了对比实验。实验结果表明，MFCN-DDI在多个评价指标上均表现出显著优势。在多分类任务中，模型在多分类数据集上的精确率-召回率曲线下面积（the area under the precision-recall curve，AUPR）、受试者工作特性曲线下面积（the area under the receiver operating characteristic curve，AUC）、卡帕系数（Kappa）、准确率（Accuracy）以及宏精确率（Macro-Precision）等指标中均取得最优表现，展现出优异的预测能力；在小规模多分类数据集上，尽管AUC指标略低于最优模型，但其余指标仍保持领先，体现出模型在小规模数据集上的稳定性与可靠性。在多标签任务中，MFCN-DDI同样表现突出，其AUC与AUPR指标均优于对比模型，显示出较强的多标签预测能力。总体来看，MFCN-DDI能够有效融合多模态特征，在不同任务场景下均展现出强大的预测能力与良好的泛化性能，为DDI类型预测提供了一种更具优势的解决方案。

二、消融实验验证各模块有效性

为分析各模块对模型性能的贡献，研究团队在多分类与多标签任务上设计了消融实验，对完整模型及其多种变体进行对比分析，包括分别去除知识图谱特征、分子指纹特征、分子图特征、药理学特征，以及将边特征图注意力网络替换为图注意力网络和移除胶囊网络特征融合模块等设置，以验证各组成部分的作用。实验结果表明，各变体的整体性能均低于完整模型，说明各特征与模块对预测性能均具有重要作用。在多分类数据集中，去除各类特征或模块后，模型多个指标均出现不同程度下降。在小规模多分类数据集中，完整模型在所有评价指标上均优于所有变体，体现出其在小样本场景下的稳定性与鲁棒性。此外，针对样本数少于30的DDI类型，在多分类数据集和小规模多分类数据集中进一步比较了完整模型与各变体的AUC与AUPR值，结果显示完整模型仍保持最优性能，体现出其在不平衡数据场景下的卓越能力。在多标签数据集中，各变体同样均不及完整模型，进一步验证了模型整体设计的有效性。总体而言，知识图谱特征、分子指纹特征、分子图特征与药理学特征之间具有良好的协同作用，基于边特征图注意力网络的分子图特征提取和基于胶囊网络的特征融合模块对提升模型预测性能具有重要作用，充分证明了MFCN-DDI在DDI类型预测任务中的整体优势与可靠性。

三、案例分析验证模型实际应用价值

为验证MFCN-DDI在实际场景中的适用性，研究团队使用多分类数据集中全部DDI样本训练模型，并对数据集外的药物对进行预测。研究聚焦于数据集中出现频次最高的15种DDI类型，为每类预测潜在药物组合的评分。最终从每种类型中筛选出预测得分最高的20个DDI，并借助DrugBank数据库及Drug.com的药物相互作用检查工具进行验证。由于其中有5种类型中超过20个DDI被赋予相同的最高预测分值，无法有效排序，因此研究重点对其余10类结果展开分析。结果显示，在这10种类型的200个预测DDI中，共有82个DDI得到确认。进一步分析发现，模型在部分DDI类型中的预测结果与特定药物高度相关；而对于预测错误的样本，其真实类型通常与预测类型具有一定药理关联。综上所述，MFCN-DDI为DDI机制研究与药物筛选提供了有价值的参考。

四、未来应用前景

MFCN-DDI为DDI类型预测提供了一种新颖且高效的解决方案，通过融合多模态药物特征并结合胶囊网络的强大表达能力，有效提升了DDI类型预测的准确性与鲁棒性，为药物研发与临床安全用药提供了重要支持。未来，研究将进一步面向实际应用需求进行优化与拓展，增强模型的可解释性，使预测结果更具临床可理解性与参考价值，探索更丰富的药物特征表达与学习方法以构建更全面的药物表示，引入更多真实世界的临床DDI数据，进一步提升模型在复杂临床场景中的泛化能力与实际应用价值。

QB期刊介绍

Quantitative Biology （QB）期刊是由清华大学、北京大学、高等教育出版社联合创办的全英文学术期刊。由高等教育出版社和Wiley双平台出版和发行。QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展，并为生命科学与计算机、数学、物理等交叉研究领域打造一个学术水平高、可读性强、具有全球影响力的交叉学科期刊品牌。

QB期刊目前已被ESCI, PMC, Scopus, DOAJ, CSCD等国内外重要数据库收录。